UniCast：面向实例条件的多模态时间序列预测统一框架
人工智能
2026-03-10 v2
摘要
时间序列预测是金融、医疗和环境监控等应用领域的核心任务。尽管 Time Series Foundation Models (TSFMs) 在该领域取得了成功，但现有方法 operate in a unimodal setting，依赖静态提示或固定融合方案，限制了其利用多模态上下文和适应实例层面变化的能力。我们提出 UniCast，一个参数高效的多模态框架，通过实例条件化提示和动态模态路由扩展 TSFMs。UniCast 通过基于 Transformer 的情境蒸馏器从时间序列、视觉和文本输入推断条件提示，实现 input-specific 适应，无需更新预测主干网络。为调节辅助模态对预测的影响，UniCast 采用模态路由技术，一种基于当前时间状态估计模态相关性的交叉注意力机制，选择性放大信息丰富的信号并抑制噪声。在冻结 TSFMs 的基础上通过软提示调谐实现，UniCast 保留了 foundation-level 的泛化能力，同时实现有效的多模态控制。广泛的实验表明，UniCast 在多样化预测基准上 consistently 超越所有现有 TSFM baseline，表明实例条件化的多模态控制对于下一代时间序列预测至关重要。
引用
@article{arxiv.2508.11954,
title = {UniCast: A Unified Framework for Instance-Conditioned Multimodal Time-Series Forecasting},
author = {Sehyuk Park and Soyeon Caren Han and Eduard Hovy},
journal= {arXiv preprint arXiv:2508.11954},
year = {2026}
}